Учёные Aalto University создали ИИ-модель чтения для AR и персонализации текстов

Investigadores de la Aalto University (Finlandia), junto con socios internacionales, han creado el modelo computacional de lectura humana más preciso hasta la fecha. El nuevo sistema utiliza el aprendizaje por refuerzo — una variante de IA del mundo de la robótica — para reproducir y explicar las decisiones que el lector toma mientras avanza por el texto.

¿Por qué es tan difícil modelar la lectura "a la manera humana"?

Los movimientos oculares durante la lectura se encuentran entre los procesos cognitivos más complejos de modelar: una persona toma decenas de decisiones inconscientes por segundo. Los investigadores reprodujeron tres tipos clave de estos movimientos: sacadas (desplazamientos rápidos de la mirada entre palabras), fijaciones (pausas para el procesamiento de la información) y regresiones (retrocesos cuando no se comprende un fragmento del texto).

Los modelos anteriores se construían sobre estadísticas y reglas fijas de la psicolingüística — y tenían dificultades para capturar las diferencias individuales entre lectores. El agente de RL funciona de manera diferente: aprende mediante prueba y retroalimentación, formando gradualmente una estrategia adaptativa sensible al contexto — longitud y frecuencia de las palabras, complejidad sintáctica y objetivo del lector.

• Desarrollador: Aalto University (Finlandia) junto con socios internacionales
• Método: reinforcement learning — aprendizaje por refuerzo
• Objeto: sacadas, fijaciones y regresiones oculares durante la lectura
• Resultado: el modelo computacional de lectura más preciso a agosto de 2026
• Aplicaciones: personalización de textos, realidad aumentada, accesibilidad y diagnóstico

"El nuevo modelo utiliza el aprendizaje por refuerzo — una variante de

IA del mundo de la robótica — para explicar y reproducir las decisiones que los lectores toman mientras avanzan por el texto", según la descripción de la investigación de Aalto University.

¿Para qué se aplicará el nuevo modelo?

Personalización de contenido: si el sistema sabe cómo un lector concreto percibe el texto, puede ajustar dinámicamente la longitud de las oraciones, el formato y la distribución del énfasis. Para las plataformas educativas, esto repercute en la asimilación del material; para los medios de comunicación, en la profundidad de la lectura y la retención del lector.

Realidad aumentada: las gafas y los cascos de AR necesitan saber exactamente adónde mira el usuario en cada momento para superponer la información con precisión en el punto de foco, sin retraso ni desplazamiento. Los rastreadores oculares por hardware son precisos, pero costosos y energéticamente intensivos. Un modelo predictivo a nivel de software reduce la dependencia de hardware especializado.

Accesibilidad y diagnóstico: las personas con dislexia o déficit de atención presentan estrategias de lectura que difieren sistemáticamente de la norma. Un modelo preciso puede identificar estas diferencias y ayudar a diseñar interfaces de texto que sean más fáciles de leer para estos usuarios.

Según la descripción de la investigación de Aalto University, la aplicación de RL ha permitido por primera vez reproducir el mecanismo real de toma de decisiones durante la lectura — y no un patrón promediado de movimientos oculares extraído de un conjunto de datos.

Qué significa esto

Los modelos académicos de lectura existen desde los estudios clásicos de psicolingüística de la década de 1980. El paso al enfoque de RL cambia su naturaleza: de descriptivos pasan a ser explicativos y potencialmente adaptativos a nivel individual. Para los desarrolladores de interfaces de AR, las plataformas EdTech y los editores, esta es una nueva herramienta de personalización sin necesidad de sensores costosos. La pregunta abierta es hasta qué punto el modelo se generaliza a diferentes idiomas, sistemas de escritura y tipos de texto.

Preguntas frecuentes

¿Qué es el aprendizaje por refuerzo en el contexto de la lectura?

El aprendizaje por refuerzo (reinforcement learning) es un método de IA en el que un agente aprende por prueba y error, recibiendo retroalimentación del entorno. La misma tecnología se utiliza en robótica y en el entrenamiento de agentes de juegos; los investigadores de Aalto University la aplicaron al modelado de cómo un lector toma decisiones mientras avanza por el texto.

¿En qué se diferencia el nuevo modelo de los anteriores?

Los modelos anteriores producían predicciones promediadas basadas en estadísticas y reglas fijas. El nuevo reproduce un mecanismo adaptativo de toma de decisiones — dependiente del contexto y más cercano al comportamiento de un individuo concreto que al de un grupo promediado de sujetos de prueba.